（电力电子与电力传动专业论文）基于遗传算法的电力市场日有功负荷优化调度.pdf

基于遗传算法的电力市场日有功负荷优化调度 在机组之间合理地分配出力，使全电力系统达到最大的经济性( 发电 成本为最小) ，由此来节约能源。同时，给电厂带来巨大的经济效益。 本文建立了电力系统经济负荷分配的模型，在约束条件中考虑了传统 算法中通常省略或者简化了的网络损耗的条件。文中对遗传算法参数 的编码与译码，初始群体的设定，适应度函数的建立，以及遗传操作 和关键参数的确定，都进行了详尽的论述，对于启发式的传统算法和 应用于电力系统优化调度的其他的一些智能算法进行了比较，并分别 从适应度函数值的标定和增加群体多样性两方面着手解决，在提高算 法的收敛速度，防止早熟收敛现象上作了极大的改善。最后通过运算 实例证明，运用改进的遗传算法能够求解具有复杂约束条件下的非线 性优化问题，适合该问题的求解。与传统的迭代法和一般遗传算法相 比，该算法编程简洁，搜索速度快，求解精度高，易于掌握，是解决 电力系统经济负荷分配问题的有效手段。 本文在用遗传算法解决电力系统经济负荷分配问题的基础上，针 对电力市场的特点，提出了一种更适合于现实背景的新的日有功负荷 多目标优化分配的策略，该策略同时考虑了发电燃料总耗量，有害气 体n o x 的排放量和电网收益等三个目标，兼顾了市场各方利益和环境 保护文中建立了三目标优化的模型，并将其应用到山西电网高平县 五个发电厂的日有功负荷的模拟优化调度中去。三个目标函数通过改 进后的层次分析法加权，或者模糊决策的方法，转化成为单目标问题， 最后采用改进的遗传算法求解。运算结果表明了该模型的正确性和优 越性，该策略对可持续发展战略和电力市场日交易合同的制定具有重 基于遗传算法的电力市场日有功负荷优化调度 要的现实意义。 关键词：电力系统；日有功负荷分配；改进的遗传算法；权重；层次 分析法；多目标优化 磁 基于遗传算法的电力市场日有功负荷优化调度 o p t i m i z e dg e n e r a t i o nd i s p a t c h i n gi np o w e rm a r k e tb a s e d o ng e n e t i ca l g o r i t h m a b s t r a c t m a r k e t - o r i e n t a t i o no fe l e c t r i cp o w e ri st h et r e n d so fg l o b a lp o w e r i n d u s t r yd e v e l o p m e n ta n di n n o v a t i o na sw e l l w i t ht h er a p i dd e v e l o p m e n t o fe l e c t r i cp o w e rs y s t e ma n dl a r g ec a p a c i t y & h i g hv o l t a g ep o w e r n e t w o r k , p e o p l ea r em o r ea n dm o r ec o n c e r n e da b o u tt h ee c o n o m i c b e n e f i t so fp o w e rs y s t e mo p e r a t i o n t h ep o w e ri n d u s t r yw i l ls h i f tf i o m t r a d i t i o n a lm a n a g e m e n tt om a r k e tm a n a g e m e n t , w h i c ho a nb r i n gm o r e t h et a r g e t so fp o w e rm a r k e to p e r a t i o n sa r e p r o m o t ec o m p e t i t i o n b e t w e e np o w e rp l a n t s ，o p t i m i z ec o s t s ，m a k ed a i l yp l a n s ，s a v ee n e r g y , p r o t e c te n v i r o n m e n te t c o nt h eb a s i so fs a f ea n ds t a b l ep o w e rs y s t e m i naw o r d , t h ed e p e n d a b l ea n de c o n o m i c a la i mo fm o d e r np o w e r m a r k e to p t i m i z a t i o ni sm o r ea n dm o r eo r i e n t e di nt h eu t i l i z i n gd e f i n i t e r e s o u r c ea n dc r e a t i n gm a x i m u mb e n e f i t st h a na n y t h i n ge l s e 一 墨三望堡兰鎏箜皇垄叟丝旦塑垫垒堕垡垡塑壅 - _ _ - - - _ _ _ _ _ - - _ _ _ - _ l l - - - - - - _ _ _ _ l - _ - _ - - - _ 一一一。 t h i sa r t i c l ea p p l i e st h eb a s i cp r i n c i p a l sa n dm e t h o d so fg e n e t i c a l g o r i t h m ( g a ) t o t h e o p e r a t i o no fo p t i m i z e dd a i l ya c t i v ep o w e rd i s p a t c h f i r s to fa l l ，t h ea r t i c l ep r o p o s e san e ww a yo fp o w e rd i s p a t c hw i t ht h e a p p l i c a t i o no ft h ei m p r o v e dg a , t h a ti s ，e s t a b l i s h i n gp r o p e ra l l o c a t i o n a m o n gg e n e r a t i n gs e t st oa c h i e v em i n i m u m c o s t sa n dm a x i m u mb e n e f i t s s e c o n d l y , t h ea r t i c l es e t su pt h e m o d e lo fe c o n o m i cl o a dd i s p a t c h ( e l d ) ， t a k i n g i n t oc o n s i d e r a t i o no fn e t w o r kl o s s t h i r d l y , t h ea r t i c l eh a sa d e t a i l e de l a b o r a t i o no fc o d i n g d e c o d i n g ，p o p u l a t i o ni n i t i a l i z a t i o n , f i t n e s sf u n c t i o ne s t a b l i s h m e n ta n dd e t e r m i n a t i o no fg e n e t i co p e r a t i o na n d k e yp a r a m e t e r i ta l s oc o m p a r e sd i f f e r e n t m e t h o d so fo p t i m i z e dd i s p a t c h b a s e do n g e n e t i ca l g o r i t h m a n dh e u r i s t i ct e c h n i q u e ，i n c r e a s e s c o m p u t a t i o n a lr a t ea n da v o i d sp r e m a t u r ec o n v e r g e n c eb ye n a c t i n gt h e f i t n e s sf u n c t i o na n di n c r e a s i n gp o p u l a t i o nv a r i e t y s i m u l a t i o nr e s u l t s s h o wt h a t t h i si m p r o v e dg ac a l lb eu s e dt o s o l v et h ec o m p l i c a t e d , n o n l i n e a r , c o n s t r a i n e do p t i m i z a t i o np r o b l e m s c o m p a r i n g w i t ht r a d i t i o n a l m e t h o da n dc o n l n l o ng a , t h i si m p r o v e dg ai sn o to n l yf a s tb u ta l s o s i m p l e ，e f f e c t i v ea n de a s yt ob ew e l la p p l i e dt os o l v ee l d p r o b l e m a tt h e 鞠t n l et i m e ，i nv i e wo ft h ec h a r a c t e r i s t i c so fe l e c t r i cp o w e r m a r k e t , t h ea r t i c l ep r o p o s e san e ws t r a t e g yo fm u l t i - o b j e c t i v ed a i l ya c t i v e p o w 6 rd i s p a t c h , 蛐i n t oc o n s i d e r a t i o n o ft o t a lf u e lc o n s u m p t i o n , n o x e m i s s i o n , g r i dp r o f i ta n de n v i r o n m e n tp r o t e c t i o na sw e l l t h r o u g hw e i g h t v a l u et ot h r e eo b j e c t i v ef u n c t i o n sb ya h p ( a n a l y t i ch i e r a r c h yp r o c e s s ) o r 基于遗传算法的电力市场日有功负荷优化调度 f u z z yo b j e c t i v em e m b e r s h i pd e f i n i t i o n ，t h em u l t i o b j e c t i v ep r o g r a m m i n g p r o b l e mi sr e f o r m u l a t e di n t on o n - l i n e a rs i n g l eo b j e c t i v ep r o g r a m m i n g p r o b l e m w i t hi m p r o v e dg a ，t h ec o r r e c t n e s sa n da d v a n t a g eo ft h em o d e l a r ep r o v e db yt h er e s u l t so fc a l c u l a t i o ne x a m p l e s t h i sm o d e lw a su s e d a d v a n t a g e o ft h i sm e t h o dw h i c hi s s i g n i f i c a n t f o rs u s t a i n a b l e d e v e l o p m e n t i ne l e c t r i cp o w e rm a r k e t c h e n c h a n y u a n ( p o w e re l e c t r o n i c sa n dp o w e rt r a n s m i s s i o n ) s u p e r v i s e db ya s s o c i a t ep r o f w a n g j i a n k e yw o r d s ：d a i l ya c t i v ep o w e rd i s p a t c h ；g e n e t i ca l g o r i t h m ；p o w e r s y s t e m s ；w e i g h tv a l u e ；a n a l y t i ch i e r a r c h yp r o c e s s ；o p t i m i z a t i o n 东华大学学位论文原创性声明 本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的学位 论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除 文中已明确注明和引用的内容外，本论文不包含任何其他个人或集体 已经发表或撰写过的作品及成果的内容。论文为本人亲自撰写，我对 所写的内容负责，并完全意识到本声明的法律结果由本人承担。 学位论文作者签名：嘲 日期：p j 7 年；月3 日 东华大学学位论文版权使用授权书 学位论文作者完全了解学校有关保留、使用学位论文的规定，同 意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允 许论文被查阅或借阅。本人授权东华大学可以将本学位论文的全部或 部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复 制手段保存和汇编本学位论文。 保密口，在年解密后适用本版权书。 本学位论文属于 不保密口。 学位论文作者签名：科缒 日期：加7 年弓月多e l 指导教师签名：万孥 日期：唧年弓月弓e l 基于遗传算法的电力市场日有功负荷优化调度 1 1 课题研究背景和意义 i , i 1 电力系统的简介 第一章绪论 电力系统是由各种类型的发电厂，不同电压等级的输电和配电网络以及电力 用户四部分组成的大系统。它以满足国民经济发展对电能的需求为目标，完成从 电能的生产、输送、分配到消费的任务。 从电力工业自身技术经济特点和改革发展的趋势来看，电力系统是一个电力 生产系统和电力商业系统综合集成的技、工、贸一体化的工商系统。从电力技术 角度来看，电力工业是发、输、配、供、用电环节紧密相连而构成的连续生产过 程。从电力经济角度来看，电力工业是发电商竞价上网，输电网垄断专营，供电 侧供电商可靠供电，提供优质服务，科学用电的市场与监督相互配合。有机互补 的带有自然垄断性质的基础行业。从系统科学角度来看，电力工业是一个典型的 由人、财、物组成的多级复杂系统，包括发电、输电、配电的一个高度信息化的 信息系统，是由电力规划、负荷预测、负荷调度、运行控制、工况监督、故障诊 断、输电服务、交易买卖、合同管理、计量收费、电力监管等环节组成n 1 ，由发 电商、输电公司、配电商、供电商、终端用户等市场主体参与的复杂系统。 目前，电力系统建设的重点在政府部门的推动、电力企业和用户的实施、电 价等经济政策配套、技术创新推广等几个方面以技术手段获取实时准确的需求 数据，并及时统计分析、同步优化负荷控制值得深入研究并予以解决，从而以利 于技术进步、用电管理、客户服务、社会发展的相互促进，真正实现供用电全过 程优化控制 基于遗传算法的电力市场日有功负荷优化调度 1 1 2 我国目前电力工业行业的状况 电力工业是国民经济中具有先行性的重要基础产业，与国民经济的关系极为 密切，经济增长快，对电的需求就大，反之就小。电力行业的发展对宏观经济很 敏感，尤其是中国，用电量中约3 4 是工业用电。近年来国家实施积极的财政政 策，加大投资力度，国内经济发展趋势良好。 ， ( 2 - 2 ) 上式表明，离线性能是特定时刻最佳性能的积累平均。具体来说，在进化过程中 基于遗传算法的电力市场日有功负荷优化调度 每进化一代就统计目前为止的各代中的最佳适应度或最佳平均适应度，并计算对 进化代数的平均值。 2 3 遗传算法的特点 遗传算法作为一种快捷、简便、容错性强的算法，在各类结构对象的优化过 程中显示出明显的优势。它与传统的算法不同，大多数古典的优化算法是基于一 个单一的度量函数( 评估函数) 的梯度或较高次统计以产生一个确定性的试验解 序列：遗传算法不依赖于梯度信息而是通过模拟自然进化过程来搜索最优解 ( o p t i m a ls o l u t i o n ) 1 4 19 它利用某种编码技术，作用于染色体的数字串，模拟由 这些串组成的群体的进化过程，遗传算法通过有组织的，随机的信息交换来重新 组合那些适应性好的串，生成新的串的群体。 2 3 1 遗传算法的优点 遗传算法具有如下优点n 目： 1 对可行解表示的广泛性。遗传算法的处理对象不是参数本身，而是在参数集 进行了编码的个体。此编码操作，使得遗传算法可直接对结构对象( 集合、 序列、矩阵、树、图、链和表) 进行操作。这一特点使得遗传算法具有广泛 的应用领域。 2 群体搜索特性。许多传统的搜索方法都是单点搜索，这种点对点的搜索方法， 对于多峰分布的搜索空间常常会陷入局部的某个单峰的极点相反，遗传算 法采用的是同时处理群体中多个个体的方法，即同时对搜索空间中的多个解 进行评估。这一特点使得遗传算法具有较好的全局搜索性能，也使得遗传算 法本身易于并行化 基于遗传算法的电力市场日有功负荷优化调度 3 不需要辅助信息。遗传算法仅用适应度函数的数值来评估基因个体，并在此 基础上进行遗传操作。更重要的是，遗传算法的适应度函数不仅不受连续可 微的约束，而且其定义域可以任意设定。由于限制条件的缩小，使得遗传算 法的应用范围大大扩展。 4 内在启发式随机搜索的特性。遗传算法不是采用确定性规则，而是采用概率 的变迁规则来指导它的搜索方向。概率仅仅是作为一种工具来引导其搜索过 程朝着搜索空间的更优化的解区域移动的。虽然看起来它是一种盲目的搜索 方法，实际上它有明确的搜索方向，具有内在的并行搜索机制。 5 遗传算法在搜索过程中不容易陷入局部最优，即使在所定义的适应度函数是 不连续的，非规则的或有噪声的情况下，也能以很大的概率找到全局最优解。 6 遗传算法采用自然进化机制来表现复杂的现象，能够快速可靠地解决求解非 常困难的问题。 7 遗传算法固有的并行性和并行计算的能力。 8 遗传算法具有可扩展性，易于同别的技术混合。 2 3 2 遗传算法的不足之处 遗传算法作为一种优化方法，它存在自身的局限性： 1 编码不规范及编码存在表示的不准确定 2 单一的遗传算法编码不能全面地将优化问题的约束表示出来。考虑约束的一 个方法就是对不可行解采用阈值，这样，计算时间必然增加。 3 遗传算法容易出现过早收敛n 4 遗传算法对算法的精度，可靠度计算复杂性等方面，还没有有效的定量方法。 应重点注意的是，遗传算法对给定的问题给出了大量可能的解答，并挑选最 终的解答给用户，要是一个特定问题没有单个的解，例如p a r e t o 最优解系列 中，就像多目标优化和日程安排案例中，遗传算法将尽可能地用于识别可同 时替换的解。 基于遗传算法的电力市场日有功负荷优化调度 2 3 3 遗传算法与传统算法的比较 日前的最优化问题，目标函数和约束条件的种类繁多，有的是线性的，有的 是非线性的，有的是连续的，有的是离散的，有的是单峰值，有的是多峰值的。 随着研究的深入，人们逐渐认识到在很多复杂情况下要想完全精确地求出其最优 化解是不可能的，也是不现实的。因而求出其近似最优解或满意解是人们主要研 究的问题之一 对于类似上述最优化问题，求最优解或近似最优解的传统方法主要有解析 法，随机法和穷举法。解析法主要包括爬山法和间接法，随机法主要包括导向随 机方法和盲目随机方法。而穷举法主要包括完全穷举法，回溯法，动态规划法和 限界剪枝法。 此类问题可以利用遗传算法求解。而对于求解此类问题，遗传算法与一般传 统方法有着本质的区别。 1 。遗传算法与启发式算法的比较 启发式算法是指通过寻求一种能产生可行解的启发式规则，找到问题的一个 最优解或近似最优解。该方法求解问题的效率较高，但是它对每一个所求的问题 必须找出其特有的启发式规则。这个启发式规则一般无通用性，不适用于其它问 题。但遗传算法采用的不是确定性规则，而是强调利用概率转换规则来引导搜索 过程。 遗传算法与爬山法的比较 爬山法是直接法，梯度法和h e s s i a n 法的通称。爬山法首先在最优解可能存 在的地方选择一个初始点，然后通过分析目标函数的特性，由初始点移到一个新 的点，然后再继续这个过程。爬山法的搜索过程是确定的，它通过产生一系列的 基于遗传算法的电力市场日有功负荷优化调度 点收敛到最优解( 有时是局部最优解) ，而遗传算法的搜索过程是随机的，它产 生一系列随机种群序列，二者的主要差别可以归纳如下： ( 1 )爬山法的初始点仅有一个，由决策者给出，遗传算法的初始点有多个， 是随机产生的。 ( 2 )通过分析目标函数的特性可知，爬山法上一个点产生一个新的点，遗传 算法通过遗传操作，在当前的种群中经过较差，变异和选择产生下一代种群。对 同一优化问题，遗传算法所使用的机时比爬山法所花费的机时要多，但遗传算法 可以处理一些爬山法所不能解决的优化问题。 遗传算法与穷举法的比较 穷举法就是对解空间的所有解进行搜索，但是通常的穷举法并不是完全的穷 举法，即不是对所有解进行尝试，而是有选择地尝试，如动态规划法，限界剪枝 法。对于特定的问题，穷举法有时也表现出很好的特性。但一般情况下，对于完 全穷举法，方法简单易行，但求解效率太低；对于如动态规划法，限界剪枝法， 则鲁棒性不强，相比较而言，遗传算法具有较高的搜索能力和较强的鲁棒性。 4 遗传算法与盲目随机法的比较 与上述的搜索方法相比，盲目随机搜索方法有所改进，但它的搜索效率仍然 不高。一般而言，只有解在搜索空间中形成紧致分布时，它的搜索才有效。而遗 传算法作为导向随机搜索方法，是对一个被编码的参数空间进行高效搜索。 遗传算法和其他的搜索方法的关系 遗传算法作为一种新兴的优化方法，它也与其它某些搜索方法有着明显的关 联关系。 5 遗传算法与蚁群算法( a n tc o l o n yo p t i m i z a t i o n ，a c o ) n 力 基于遗传算法的电力市场日有功负荷优化调度 蚁群算法( a n tc o l o n yo p t i m i z a t i o n ，a c o ) 模拟蚂蚁的群体行为，由d o r i g o 等人提出。h c o 本质上是一种基于群体的多代理算法。该方法的主要特点是：正 反馈、分布式计算、与某种启发式算法相结合，正反馈过程使得该方法能很快发 现较好解；目前有学者尝试将其应用于电力系统规划中但是还没有很好地将规划 模型处理成适合于蚂蚁算法求解的模型，系统规模增大时，难以求得高质量的解。 如何合理地将规划模型转变成适合蚂蚁算法的模型，有待人们进一步的研究。而 遗传算法的显著优点是可以同时搜索空间中的许多点，而不是一个点，因而能够 作到全局优化；由于其搜索最优解的过程是有指导性的，避免了某些优化算法的 维数灾难问题。利用遗传算法进行电力系统调度优化规划，可得出若干个最优、 次优方案，供规划人员根据实际情况进行决策选择。 n 日 6 遗传算法和模拟退火法( s i m u i a t ea n n e a ia r i t h a t i c ，s m ) 模拟退火法的最大特点是搜索中可以摆脱局部解，这是传统的爬山法所不具 备的。遗传算法中的“选择一操作是以和个体的适应度有关的概率来进行的。因 此，即使是适应度低的个体也会有被选择的机会。在这一点上它同模拟退火法十 分相似。显然，通过在搜索过程中动态地控制选择概率，遗传算法可以实现模拟 退火法中的温度控制功能。 7 遗传算法和混沌优化算法( o h a o t i oo p t i m i z a t i o n a l g o ri t l 硼s e o a ) 混沌优化算法是近年来随着混沌学科的发展而被提出来的另外一种新算法， 它通过将优化问题模型向混沌变量的映射，充分利用混沌变量在混沌运动中所具 有的遍历性，随机性，规律性来寻找全局的最优解。依据对混沌变量应用方式的 不同，混沌算法可以分为基于混沌序列的函数优化方法与基于混沌神经网络 ( c h a o t i cn e u r a ln e t w o r k c n n ) 的优化算法但由于混沌变量的搜索空间狭 窄，又需要将优化模型归一化处理，因此还很少有将混沌神经网络应用于实际工 程领域的模型。 基于遗传算法的电力市场日有功负荷优化调度 2 4 改进的遗传算法 2 4 1 遗传算法的主要问题和解决方案 标准的遗传算法是具有“生成+ 检测 的迭代过程的搜索算法。遗传算法采 用一种群体搜索策略和群体中个体之间的信息交换，搜索，不依赖于梯度信息。 但标准遗传算法存在一些不足，下面是标准遗传算法中存在的主要问题和解决方 案。 对早熟收敛和后期搜索迟钝的解决方案：有条件的最佳保留机制；采用遗传 灾变算法d 帕：采用适应度比例机制和个体浓度选择机制的加权和：引入主群 和属群的概念；适应度函数动态定标：多种群并行进化及自适应调整控制参数相 结合的自适应并行遗传算法；对重要参数选择采用自适应变化而非固定不变。 为了改进简单遗传算法的实际计算性能，很多学者的改进工作也是分别从参 数编码，初始群体设定，适应度函数标定，遗传操作算子，控制参数的选择以及 遗传算法结构等方面提出的。众多学者一直致力于推动遗传算法的发展，对编码 方式，控制参数的确定和交叉机理等进行了深入的研究，提出了各种变形的遗传 算法，其基本途径概括起来主要有以下几个方面： ( 1 ) 改进遗传算法的组成成分或使用技术，如选用优化控制参数，适合问 题特性的编码技术等。 ( 2 ) 采用混合遗传算法( h y b r i dg e n e t i ca l g o r i t h m ) 嘲 ( 3 ) 采用动态自适应技术。在进化过程中调整算法控制参数和编码精度。 ( 4 ) 采用非标准的遗传操作算子。 ( 5 ) 采用并行算法 基于遗传算法的电力市场日有功负荷优化调度 在许多资料中都介绍了七种改进的遗传算法乜1 1 ： 分层遗传算法 c h c 算法 m e s s y 遗传算法 自适应遗传算法( a d a p t i v eg e n e t i ca l g o r i t h m ) 基于小生境技术的遗传算法( n i c h e dg e n e t i ca l g o r i t h m ，简n g a ) 并行遗传算法( p a r a l l e lg e n e t i ca l g o r i t h m ) 混合遗传算法 2 4 2 遗传算法的改进 遗传算法中包含如下5 个基本要素：参数编码，初始群体的设定，适应度函 数的设计操作设计和控制参数设定。这5 个要素构成遗传算法的核心内容。接下 来将从以下几个方面来讨论对标准的遗传算法的改进： 1 初始群体的产生 初始群体的特性对计算结果和计算效率均有重要影响要实现全局最优解， 初始群体在解空间中应尽量分散。标准遗传算法是按预定或随机方法产生一组初 始解群体，这样可能导致初始解群体在解空间分布不均匀，从而影响算法的性能。 要得到一个好的初始群体，可以将一些实验设计方法，如均匀设计或正交设计嘲 与遗传算法相结合。其原理为：首先根据所给出的问题构造均匀数组或正交数组， 然后执行如下算法产生初始群体： ( 1 ) 将解空间划分为s 个子空间； ( 2 ) 量化每个子空间，运用均匀数组或正交数组选择m 个染色体哦； ( 3 ) 从m x s 个染色体中，选择适应度函数最大的n 个初始群体； ) ) ) ) ) ) ) l 2 3 4 5 6 7，k，k，l，l，一， 基于遗传算法的电力市场日有功负荷优化调度 这样可以保证初始群体在解空间内均匀分布。 另外，初始群体的各个个体之间应该保持一定的距离，并定义相同长度的以 某一常数为基的两个字符串种对应位不同的数量为两者间的广义海明距离。要求 入选群体的所有个体之间的广义海明距离陶1 必须大于或等于某个设定值。初始群 体采用这种方法产生能保证随即产生的各个个体间有较明显的差别，使它们能均 匀分布在解空间中，从而增加获取全局最优解的可能。 2 选择算子的改进 在标准遗传算法中，常根据个体适应度大小采用“赌轮选择一选择策略。该 策略虽然简单，但容易引起“早熟收敛刀和“搜索迟钝一踟问题。有效解决方法 是采用有条件最佳保留策略，即有条件地将最佳个体直接传递到下一代或者少等 同于前一代，这样能有效地防止“早熟收敛一。 也可以使用遗传一灾变算法嘲，即在遗传算法的基础上，模拟自然的灾变 现象，提高遗传算法的性能。当判断连续数代最佳染色体没有任何进化，或者各 个染色体己过于近似时，即可实行灾变。灾变的方法很多，可以突然增大变异概 率或对不同个体实施不同规模的突变，以产生不同数目的大量后代等。用灾变的 方法可以打破原有的基因的垄断优势，增加基因的多样性，创造有生命力的个体。 遗传算法重要参数的选择 遗传算法中需要选择的参数主要有：染色体长度l ，群体规模n ，交叉概率 一 和变异概率己等，这些参数对传算法的性能影响也很大染色体长度的选择对 二进制编码来说取决于特定问题的精度，存在定长和变长两种方式群体规模通 常取2 0 - 3 0 0 。一般来说，求解问题的非线性越大，n 选择就应该越大交叉操作 和变异操作是遗传算法中两个起重要作用的算子通过交叉和变异，以对相互配 合又相互竞争的算子使其搜索能力得到飞速提高。交叉操作的作用是组合交叉两 个个体中有价值的信息产生新的后代，它在群体进化期间大大加快了搜索速度； 变异操作的作用是保持群体中基因的多样性，偶然，次要的( 交叉率取很小) 起 基于遗传算法的电力市场日有功负荷优化调度 辅助作用。在遗传算法的计算过程中，根据个体的具体情况，自适应地改变， 乞的大小，将进化过程分为渐进和突变，弱变异，强化优势型选择算子；突变 阶段弱分叉，强变异，弱化优势型选择算子。这样对提高算法的计算速度和效率 是有利的。 自适应参数的调整方案如下： 6 = l m f 式中， 厶为某代中最优个体适应度，7 为此代平均适应度。 4 适应度函数设计 ( 2 - 3 ) 遗传算法中采用适应度函数值来评估个体性能并指导搜索，基本不用搜索空 间的知识，因此，适应度函数的选取相当重要。性能不良的适应度函数往往会导 致“骗一的问题。适应度函数的选取标准是：规范性( 单值，连续，严格单调) ， 合理性( 计算量小) ，通用性，y a s i l i e sr e t r i d i s 提出在解约束优化问题时采 用变化的适应度函数的方案，用来指导遗传搜索。在那些具有许多约束条件而导 致产生一个复杂搜索超平面的问题中，该方案能明显地以较大的概率找到全局最 优解。 进化过程中动态调整子代个体 遗传算法要求在进行过程中保持群体规模不变。但为了防止早熟收敛，在进 化过程可对群体中的个体进行调整，包括引入移民算子嘲，过滤相似个体，动态 补充子代新个体等。 移民算子是避免早熟的一种好方法在移民的过程中不仅可以加速淘汰差的 个体，而且可以增加解的多样性所谓的移民机制，就是在每一代进化过程中以 一定的淘汰率( 一般取1 5 铲_ 2 0 ) 将最差的个体淘汰。然后用产生的新的个体 代替 基于遗传算法的电力市场日有功负荷优化调度 为了加快收敛速度，可采用滤除相似个体的操作，减少基因的单一性。删除 相似个体的过滤操作为：对子代个体适应度排序，依次计算适应度差值小于门限 d e l t a 的相似个体间的广义海明距离。如果同时满足适应度差值小于门限d e l t a ， 广义海明距离小于门限d ，就滤除其中适应度较小的个体。d e l t a ，d 应适当选 取，以提高群体多样性。过滤操作后需要引入新个体。从试验测试中发现，如果 采用直接随机生成的方式产生新个体，适应度值都太低，而且对算法的全局搜索 性能增加并不显著( 例如，对于多峰函数很难跳出局部最优点) 。因此，可使用 从优秀的父代个体中变异产生的方法。该方法将父代中适应度较高的皿个个体随 机进行若干次变异，产生新个体，加入子代对个体。这些新个体继承了父代较优 个体的模式片断，并产生新的模式，易于与其他个体结合生成新的较优子代个体 嘲而且增加的新个体的个数与过滤操作删除的数量有关。如果群体基因单一性 增加，则被滤除的相似性个体数目增加，补充的新个体数目随之增加；反之，则 只少量滤除相似个体，甚至不滤除，补充的新个体数目也随之减少。这样，就能 动态解决群体由于缺乏多样性而陷入局部解的问题。 6 小范围竞争择优的交叉，变异操作 从加快收敛速度，全局搜索性能两方面考虑，受自然界中家庭内兄弟问竞争 现象的启发，加入小范围竞争，择优操作嘲。其方法是：将某一对父母a ，b 进行 i l 次( 3 - 5 次) 交叉，变异操作，生成2 n 个不同的个体，选出其中一个最高适应 度的个体，送入子代对个体中反复随机选择父母对，直到生成设定个数的子代 个体为止这种方法实质是在相同父母的情况下，预先加入兄弟间的小范围竞争 机制。另一方面，在遗传算法中，一对父母x ，y 经遗传算法操作后产生一对子代 个体x y l ，x y 2 ，x l y , x 2 y ，随后都被放入子代对个体，当进行新轮遗传操作时， x y l ，x l y 可能作为新的父母对进行交叉配对，即。近亲繁殖一而加入小范围竞 争择优的交叉，变异操作，减少了在下一代中出现这一问题的几率。 基于遗传算法的电力市场日有功负荷优化调度 2 5 多目标优化问题中的遗传算法 解决多目标和多约束的优化问题称为多目标优化( m u l t i o b j e c t i v e o p t i m i z a t i o n ) 问题啪1 。在实际应用中，工程优化问题大多数是多目标优化问题， 有时需要使用多个目标在给定区域上都可能达到最优的问题，目标之间一般都是 会相互冲突的。例如本文第四章中所解决的日有功负荷多目标分配的优化调度， 三个目标，发电燃料总耗量和有害气体n o x 排放量要越小越好；电网收益在各电 厂上网电价和售出电价已经通过上日制定的交易合同确定的前提下，考虑加强电 网建设，则电网收益要越大越好，要使该模型的解使得所有的目标函数的值都达 到最优，显然，实际应用中并不存在这样的解。因此，实际多目标优化问题中要 求解的是一个p a r e t o 最优解，即能够使目标函数中的各个子目标函数都尽可 能达到极小化的解，它只是问题的一个可以接受的“非劣解 ，并且一般多目标 优化实际问题都存在多个p a r e t o 最优解。 对于求解多目标优化问题的p a r e t o 最优解，目前已有多种基于遗传算法的 求解方法，下面概述几种常用的求解思想： 一个多目标优化如果存在非劣解，往往存在无穷多个，形成非劣解集。在求 解实际问题时，过多的非劣解是无法直接应用的。决策者只能选择令其最满意的 一个非劣解作为最终解。求最终解主要有三类方法，一类是求非劣解的生成法， 即先求出大量的非劣解，构成非劣解的一个子集，然后按照决策者的意图找出最 终解另一类为交互法，不先求出很多的非劣解，而是通过分析者与决策者对话 的方式，逐步求出最终解。最后一类是事先要求决策者提供目标之间的相对重要 程度，算法以此为依据，将多目标问题转化为单目标问题进行求解，该类方法也 可以被认为是第一类方法的一个子方法，该类方法的难点在于，如何得到决策者 真实的权重信息，这是一个关键的因素。在本文中将提出一种基于遗传算法的， 能比较好反映决策者权重的多目标优化问题的解决方案。 生成法主要有加权法眦】，约束法，加权法和约束法结合的混合法而交互法 主要有用于求解线性约束多目标优化的g e o f f r i o n 法嘲、求解线性多目标优化 的逐步法( s t e m ) 和z i o n t s - w a l l e n i u s 方法以及代替价值交换法。 基于遗传算法的电力市场日有功负荷优化调度 图2 - 3 多目标优化问题的求解方法( 星号为本文采用的方法) 作者认为相对而言生成法对决策者更有吸引力，首先目前没有比较好的多目 标非线性优化的交互法，其次在只给决策者有限信息的前提下，往往要求决策者 回答一些似是而非的问题，决策者在交互过程中将会很被动，也就是说交互法在 某种程度上将问题的矛盾转嫁给了决策者。如果我们能将人的主观性依据用数量 的形式表达出来，使之条理化、科学化，决策者就有了一个对问题比较全面的认 识，从而能更好地进行决策和折衷。 同时笔者查阅了大量的资料，发现将遗传算法直接用于求解多目标优化问题 的方法，目前还处于一个探索的初始阶段，方法不多，有效的方法就更少。因此， 为了能在有限的时间内更好地完成任务，对于第四章中多目标优化问题的求解， 笔者还是决定采用与遗传算法相结合的加权法来完成 生成法中，常用的加权法有其固有的优点对于一个多目标优化问题，若给 其每个子目标函数八而= l 2 ，功赋予权重w , ( i = l 1 j 1 ) ，其中嵋为相应的 八玉) 在多目标优化问题中的重要程度，则各个子目标函数厂( 而) 的线性加权和表 示为 材= 嵋毗 一l ，j 、7 ( 2 - 4 ) 若将u 作为多目标优化问题的评价函数，则多目标问题就可转化为单目标优 基于遗传算法的电力市场日有功负荷优化调度 化问题，即可以利用单目标优化的遗传算法求解多目标问题。 在本文问题的求解中，即可采用该种方法。可根据不同发电厂发电环境和实 际条件的限制，权衡三个目标的权重，选择分配赋予不同的权重系数1 。该方法 关键在于权重系数的确定上。 2 6 本章小结 本章依次介绍了遗传算法的概念、步骤、意义以及理论基础，同时介绍了遗 传算法的优点和不足之处。将遗传算法和启发式的传统算法以及应用于电力系统 优化调度问题中的别的智能优化算法进行了对比，针对遗传算法的缺点，提出改 进的方案。最后介绍多目标优化的问题，并且将遗传算法结合到此类问题的求解 当中。 基于遗传算法的电力市场日有功负荷优化调度 第三章单目标电力系统有功调度遗传算法模型设计及实例 计算 3 1 前言 电力系统的有功功率平衡表明，系统中各发电机组发出的总的有功功率应该 在任意时刻都与系统中随机变化的有功负荷( 包括网络损耗) 相等。但是，如何 在各发电厂及各发电机组之间合理分派和控制有功负荷，使系统燃料消耗最小， 是电力系统运行中的一个不可忽视的问题。 在不考虑运行成本的情况下，是允许负荷在各发电机组间自由分配的，但这 样运行燃料消耗比较大，是不科学的，必然需要有一种合理的手段来完成这个分 配任务，由此而来经济负荷分配的问题。经济负荷分配( e c o n o m i cl o a dd i s p a t c h ， e l d ) 嘲是电力系统中一个典型的优化问题，电力系统的经济运行就是在给定的 系统运行方式下，在可利用的机组间合理地分配出力，使全电力系统达到最大的 经济性( 发电成本为最小) 因此，恰当地在机组间分配负荷可以节约能源带来 巨大的经济效益。 3 2 电力系统经济负荷分配数学模型的建立 3 2 1 目标函数 负荷经济分配在数学上可以表示为为了满足若干个等式约束和不等式约束 的非线性规划问题，即在满足系统运行约束条件下，优化组合机组的发电机出力， 从而使得系统的总发电成本为最低，其目标函数如下嘲： 基于遗传算法的电力市场日有功负荷优化调度 ，| m i nf = 曩( 弓) 发电机的耗量函数通常定为： e ( 弓) = q 巧+ 6 l 弓+ c t ( 3 - 1 ) ( 3 - 2 ) 式中f 系统总发电费用，c ( 弓) 为第i 台发电机的耗量函数；名为第i 台发电 机的实际有功功率输出：q ，岛，q 为第i 台发电机的耗量参数；为组合机组发 电机的总和数。 3 2 2 约束条件 电力平衡约束条件为等式： 壹弓：昱+ 昂 l 发电机运行约束条件为不等式： 弓- s 名弓皿，t = l ，2 ， ( 3 - 3 ) ( 3 - 4 ) 式中昂为系统负荷需求；罡为系统总网损；弓岫，弓瞄为第i 台发电机的最小 与最大有功功翠输出 系统的总网损可以采用b 系数法或潮流法计算，本文采用b 系数法d 町求取， 其关系式为： 最= ，p + p 7 + ( 3 5 ) 式中尸= ( 足，名：，) r 为刀| 维发电机有功功率矢量；，b o ，为网损系数， 也称为b 系数其中为维对称方阵；为维列矢量：为常数。 3 3 电力系统经济负荷分配的经典算法 基于遗传算法的电力市场日有功负荷优化调度 3 3 1 等微增率算法在该问题上的应用 经济运行开始于两台( 或多台) 机组的并列运行。当机组的总容量大于负荷 时，应如何分配各机组的出力，使在满足一定的约束条件下，达到发电成本最小。 以前曾认为最经济的负荷分配方法是：当系统负荷增加时，先使效率最高的 机组增加负荷，直至达到它的效率最高时的负荷值，然后再让效率较好的机组带 负荷直至达到它的最大效率，依次类推。之后，这种方法很快被证明为不是最经 济的，等微增率的方法开始被用来进行经济负荷分配，一直到现在还在电力系统 中广泛应用。 所谓微增率就是输入微增量与输出微增量的比值。对发电机组来说，即燃料 消耗费用的微增量与发电功率微增量的比值。等微增率法则就是让所有机组按照